論文の概要: First-Principles Atomistic Structure and Dynamics of Polyethylene During High-Pressure Radical Polymerization via Machine Learning Force Fields

• arxiv url: http://arxiv.org/abs/2608.21741v1
• Date: Sat, 22 Aug 2026 02:48:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.432494
• Title: First-Principles Atomistic Structure and Dynamics of Polyethylene During High-Pressure Radical Polymerization via Machine Learning Force Fields
• Title（参考訳）: 第一原理 機械学習力場による高圧ラジカル重合におけるポリエチレンの原子構造とダイナミクス
• Abstract要約: 第一原理ファンデルワールス(vdW)補正ハイブリッド密度汎関数理論(DFT)の深層学習場と化学リアリズムを組み合わせる。 エチレン溶媒中のPEオリゴマーおよびポリマーの構造と動態を, 常圧(超臨界)ラジカル重合条件下で検討した。
• 参考スコア（独自算出の注目度）: 1.4952905850280303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Polyethylene (PE) is one of the most commonly used synthetic polymers. While the synthesis and processing protocols for PE are well established, precise experimental assignment of microscopic structures at atomistic resolution (i.e., the position of each atom) remains largely limited to highly crystalline systems. This gap is often addressed via computer simulations using empirical interatomic potentials, which use approximate but efficient descriptions of interatomic interactions to reach the length and time scales needed to describe macromolecules. These empirical potentials typically perform well for bulk and/or collective properties but face challenges with chemical realism for complex systems, e.g., during reactive processes. In this work, we address this challenge by combining the computational efficiency of a deep potential (DP) machine-learning force field and the chemical realism of first-principles van der Waals (vdW) corrected hybrid density functional theory (DFT) enabled by a SeA high-throughput framework. Using this approach, we study the structure and dynamics of PE oligomers and polymers in an ethylene solvent under common high-pressure (supercritical) radical polymerization conditions. We found that the local solvation environment of radical-containing PE oligomers converges for chain lengths greater than (n~6), suggesting extensibility of our oligomer-trained MLFF to significantly longer polymers. We then confirmed the extensibility of these models to long PE chains by characterizing the molecular weight scaling of single-chain structure and dynamics, which showed classic good solvent behavior. Our PE MLFF retained a consistent level of fidelity and stability across a wide range of thermodynamic state points and chain lengths, at full atomistic resolution, therefore paving the way towards first-principles-based polymer structure and property prediction.
• Abstract（参考訳）: ポリエチレン(PE)は、最も一般的に用いられる合成ポリマーの1つである。 PEの合成と処理のプロトコルは確立されているが、原子分解能(すなわち各原子の位置)における顕微鏡構造の精密な実験的な配置は、高結晶系に限られている。 このギャップはしばしば経験的原子間ポテンシャルを用いてコンピュータシミュレーションによって解決され、これはマクロ分子を記述するのに必要な長さと時間スケールに到達するために、近似的だが効率的な原子間相互作用の記述を使用する。 これらの経験的ポテンシャルは、通常、バルクおよび/または集合特性に対してよく機能するが、反応過程において複雑な系、例えば反応過程において化学リアリズムに挑戦する。 本研究では,深部学習力場(DP)の計算効率と,SeA高スループットフレームワークによって実現された第一原理ファンデルワールス(vdW)補正ハイブリッド密度汎関数理論(DFT)の化学リアリズムを組み合わせることで,この問題に対処する。 この手法を用いて, エチレン溶媒中のPEオリゴマーおよびポリマーの構造と動態を, 常圧(超臨界)ラジカル重合条件下で検討した。 その結果, ラジカル含有PEオリゴマーの局所溶解環境は (n~6) より長鎖長に収束することがわかった。 次に, これらのモデルが長いPE鎖に拡張可能であることを確認し, 単一鎖構造の分子量スケーリングと分子動力学を特徴付けることにより, 古典的な溶媒挙動を示した。 我々のPE MLFFは、幅広い熱力学的状態点と鎖長の一貫性と安定性を完全な原子分解能で維持し、したがって第一原理系ポリマー構造と特性予測への道を開いた。

関連論文リスト

• HiPoly: a hierarchical polymer-native AI framework for property prediction and generative design [2.5787479220592155]
  HiPolyは、完全なポリマー記述を3レベルの階層グラフアーキテクチャを通して処理する、ポリマーネイティブなAIフレームワークである。 モノマー間の接続、組成、分子量を直接アーキテクチャ内でコードする。 本稿では,多成分高分子系の熱物性に対する最先端予測精度を実証し,各階層設計選択がモデル性能に独立して寄与することを確認する。
  論文  参考訳（メタデータ） (2026-09-02T15:48:11Z)
• Periodic Topological Deep Learning for Polymer Design and Discovery [2.9165586612027234]
  本稿では, 周期的ビエトリス・リップス錯体上に構築された深層学習フレームワークである Periodic-TDL について紹介する。 周期的TDLは、電子的、光学的、物理的、熱的ターゲットにまたがるポリマー特性予測タスクにおいて、最先端の全てのモデルより優れている。
  論文  参考訳（メタデータ） (2026-05-26T10:51:49Z)
• PolyJarvis: LLM Agent for Autonomous Polymer MD Simulations [49.024137619510526]
  我々は,大規模な言語モデル(LLM)とRadonPyシミュレーションプラットフォームを結合するエージェントであるPolyJarvisを紹介する。 ポリマー名またはSMILES文字列が与えられた後、PolyJarvisはモノマーの構築、電荷割り当て、重合、力場パラメータ化、特性計算を自律的に実行する。 その結果, APS, PMMAの基準値の17～24%は0.1～4.8%, バルク変調率で, 密度予測は17～24%であった。
  論文  参考訳（メタデータ） (2026-04-02T21:43:35Z)
• OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction [63.318434943975255]
  分子内コンフォーメーションと周期的パッキングの条件付き関節分布を学習する大規模100Mパラメータ全原子拡散モデルであるOXtalを導入する。 実験的に検証された600Kの結晶構造の大規模なデータセットを活用することで、OXtalは、以前のabinitio機械学習CSPメソッドよりも改善の順序を達成できる。 オキシタルは80%以上のパッキング類似率を獲得し、分子結晶化の熱力学的および運動論的規則性の両方をモデル化する能力を示している。
  論文  参考訳（メタデータ） (2025-12-07T20:46:30Z)
• polyGen: A Learning Framework for Atomic-level Polymer Structure Generation [4.6516580885528835]
  繰り返し単位化学のような最小の入力から高分子構造に特異的に設計された最初の生成モデルであるpolyGenを紹介する。 ポリゲンは、高分子の伝統的な結晶構造予測法の限界を克服し、現実的で多様な線形および分岐配座を生成することに成功した。 天然高分子の弾力性を示す最初の原子レベルの実証実験として、物質構造生成の新たな能力を示す。
  論文  参考訳（メタデータ） (2025-04-24T15:26:00Z)
• Molecular topological deep learning for polymer property prediction [18.602659324026934]
  高分子特性解析のための分子トポロジカルディープラーニング(Mol-TDL)を開発した。 Mol-TDLは高次相互作用とマルチスケール特性の両方をトポロジカルディープラーニングアーキテクチャに組み込んでいる。
  論文  参考訳（メタデータ） (2024-10-07T05:44:02Z)
• A POD-TANN approach for the multiscale modeling of materials and macroelement derivation in geomechanics [0.0]
  本稿では,多角形分解(POD)と熱力学に基づくニューラルネットワーク(TANN)を組み合わせることで,複雑な非弾性系のマクロ的挙動を捉える手法を提案する。 以上の結果から,POD-TANN手法は実験結果の精度を再現するだけでなく,計算コストを低減し,不均一な非弾性地盤力学系のマルチスケールモデリングの実用的なツールとなることが示唆された。
  論文  参考訳（メタデータ） (2024-08-13T19:08:56Z)
• Sensing of magnetic field effects in radical-pair reactions using a quantum sensor [50.591267188664666]
  特定の化学反応における磁場効果(MFE)は、過去50年間によく確立されてきた。 我々は、局所的なスピン環境とセンサーとの結合を考慮して、ラジカル対の精巧で現実的なモデルを採用する。 2つのモデル系に対して、ラジカル対とNV量子センサの弱い結合状態においても検出可能なMFEの信号を導出する。
  論文  参考訳（メタデータ） (2022-09-28T12:56:15Z)
• A graph representation of molecular ensembles for polymer property prediction [3.032184156362992]
  有機分子とは対照的に、ポリマーはよく定義された単一構造ではなく、類似した分子の集合体である。 本稿では,分子アンサンブルのグラフ表現と,高分子特性予測に適したグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-17T20:31:43Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Exciton transport in amorphous polymers and the role of morphology and thermalisation [0.0]
  共役高分子における電子励起の輸送機構を理解することは、有機光電子応用を前進させる鍵となる。 我々はメリフィールド・エクシトン形式に基づく還元状態量子マスター方程式アプローチを用いる。 アモルファスポリマー中のエキシトンの熱平衡状態の局在化、電荷分離、非平衡ダイナミクスおよび実験的アクセシビリティに対する温度と障害の影響について考察した。
  論文  参考訳（メタデータ） (2021-02-09T00:57:49Z)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。